Municipio de Yolombo, Antioquia - Colombia
Cobertura del suelo (Bosque, Vegetacion moderada, Pastos/Agricultura, Abierto, Sombra/Agua)
Este proyecto tiene como objetivo analizar el estado actual del paisaje forestal del municipio de Yolombo, Antioquia, Colombia, mediante el uso de imagenes satelitales y tecnicas de inteligencia artificial. El analisis busca identificar zonas con cobertura boscosa conservada, areas abiertas o transformadas, patrones de fragmentacion e indicadores de degradacion.
El municipio de Yolombo se ubica en una region de importancia ecologica en Antioquia, donde la presion antropogenica (agricultura, ganaderia, expansion urbana) ha modificado historicamente el paisaje natural. Comprender el estado actual de la cobertura forestal es fundamental para la planificacion territorial sostenible, la conservacion de la biodiversidad local, la identificacion de areas prioritarias para restauracion y el monitoreo de servicios ecosistemicos.
El proyecto integra dos componentes tecnologicos principales:
En esta seccion importamos las bibliotecas necesarias y cargamos los tiles previamente generados desde QGIS.
Los indices de vegetacion son transformaciones matematicas de las bandas espectrales que permiten realzar la presencia de vegetacion. Aunque lo ideal seria usar bandas infrarrojas (NIR), podemos aproximar algunos indices usando solo RGB:
Util para evaluar la fraccion de vegetacion verde y resistente a las variaciones atmosfericas.
Enfatiza la reflectancia verde caracteristica de hojas sanas.
Resalta areas con predominancia de pigmentos verdes, sin normalizacion.
Version normalizada que facilita la comparacion entre diferentes condiciones de iluminacion.
Figura 1: Visualización de índices de vegetación (NGRDI, VARI, GLI, ExG) en un tile de ejemplo
Para cada tile se calculan estadisticas descriptivas de los indices, incluyendo media, desviacion estandar, maximo valor, intensidad de cada banda y brillo promedio de la imagen.
En esta seccion analizamos la distribucion de los indices de vegetacion a traves de todos los tiles para identificar patrones generales del paisaje.
Figura 2: Distribuciones de índices (Histograma + KDE, Boxplot comparativo, Scatter NGRDI vs ExG, Top 10 tiles)
Se visualiza la distribucion de los indices mediante histogramas, curvas de densidad (KDE), boxplots comparativos y scatter plots para identificar correlaciones entre variables.
Figura 3: Matriz de correlación de Pearson entre índices de vegetación y bandas RGB
K-Means es un algoritmo de aprendizaje no supervisado que agrupa pixeles similares en clusters basandose en sus valores RGB.
Figura 4: Método del Codo para determinar el número óptimo de clusters (K)
Se utilizo el Metodo del Codo para encontrar el valor optimo de K. Para paisajes forestales, K=3 a 5 suele ser apropiado.
Figura 5: Comparación de segmentación con K=3, K=4 y K=5 clusters
Cada cluster tiene un centro que representa el color promedio. Los centros permiten inferir tipos de cobertura según su valor NGRDI.
| Cluster | Interpretacion | NGRDI | Uso del Suelo Probable |
|---|---|---|---|
| 0 | Vegetacion Densa | > 0.25 | Bosque Primario/Secundario |
| 1 | Vegetacion Moderada | 0.10 - 0.25 | Bosque Mixto/Pastos Arbolados |
| 2 | Suelo/Areas Abiertas | 0 - 0.10 | Agricultura/Pastos |
| 3 | Sombra/Agua | < 0 | Cuerpos de Agua/Sombra |
Basandose en los indices de vegetacion, se implemento un sistema de clasificacion automatica que asigna cada tile a una de cinco categorias principales.
| Categoria | Criterio NGRDI | Descripcion | Implicacion Ecologica |
|---|---|---|---|
| Bosque Denso | NGRDI > 0.25 | Alta cobertura forestal con doseles cerrados | Maxima calidad ambiental |
| Vegetacion Moderada | 0.10 < NGRDI <= 0.25 | Cobertura vegetal heterogenea | Calidad intermedia, potencial de restauracion |
| Pastos/Agricultura | 0 < NGRDI <= 0.10 | Areas transformadas para uso agricola/ganadero | Bajo valor forestal, presion antropogenica |
| Area Abierta | NGRDI <= 0, Brillo > 100 | Suelo desnudo, construcciones, caminos | Maxima perturbacion del ecosistema |
| Sombra/Agua | NGRDI <= 0, Brillo <= 100 | Cuerpos de agua, sombra de topografia | Componente natural o infraestructura |
Figura 6: Distribución de categorías de cobertura - Gráfico de pastel y conteo de tiles
Figura 7: Ejemplos de tiles representativos para cada categoría de cobertura (imagen original e índice NGRDI)
La fragmentacion forestal es un indicador clave de la salud del ecosistema. Analizamos patrones espaciales para entender la conectividad del bosque.
La fragmentacion ocurre cuando areas boscosas continuas se dividen en parches aislados por cambios de uso del suelo. Esto afecta la movilidad de fauna, viabilidad de poblaciones y servicios ecosistemicos.
Cuenta de fragmentos forestales separados identificados mediante analisis de conectividad. Mayor numero de parches indica mayor fragmentacion.
Porcentaje del area clasificada como bosque (NGRDI > 0.15).
Figura 8: Análisis de fragmentación - Imagen original, máscara de bosque y parches identificados
Este analisis revela informacion valiosa sobre el estado actual de la cobertura del suelo. Las areas clasificadas como Bosque Denso y Vegetacion Moderada representan zonas donde persisten ecosistemas con mayor estructura vegetal.
El analisis de parches forestales identifica la conectividad espacial del bosque, afectando la movilidad de fauna silvestre, viabilidad de poblaciones biologicas y prestacion de servicios ecosistemicos.
Los indices RGB proporcionan una aproximacion cuantitativa del vigor vegetativo, correlacionando valores altos con mayor biomasa fotosintéticamente activa.
Las areas identificadas con Bosque Denso son prioritarias para estrategias de proteccion y mantenimiento de servicios ecosistemicos.
Los tiles con Vegetacion Moderada o Pastos cercanos a areas boscosas son candidatos para programas de restauracion ecologica.
Este analisis proporciona una linea base cuantitativa. Repetir el analisis periodicamente permitiria detectar cambios en la cobertura forestal.
Este proyecto demuestra como la integracion de herramientas SIG (QGIS) con tecnicas de inteligencia artificial (Python, Machine Learning) permite analizar paisajes forestales de manera sistematica y cuantitativa.
Si bien existen limitaciones tecnicas, el enfoque proporciona informacion util para entender el estado actual del territorio de Yolombo y apoyar procesos de planificacion territorial sostenible.
Procesamiento y mosaico geoespacial; recorte municipal y generación de tiles PNG.
Orquestación del pipeline de análisis, automatización y generación del reporte HTML.
Cálculo de índices RGB, lectura de tiles y preparación de máscaras binarias.
Segmentación no supervisada con K-Means y análisis de clusters.
Consolidación de métricas por tile, exportación de CSV y manejo tabular.
Visualización de distribuciones, correlaciones, clasificaciones y resultados de segmentación.
Identificación de parches y métricas de fragmentación mediante componentes conectados.
El analisis genera varios archivos CSV que pueden ser integrados con herramientas SIG:
| Archivo | Descripcion | Uso Recomendado |
|---|---|---|
| yolombo_stats.csv | Estadisticas basicas por tile | Analisis exploratorio, graficos |
| yolombo_analisis_completo.csv | Dataset completo con indices y clasificaciones | Importar a QGIS, analisis avanzados |
| yolombo_clasificacion_resumen.csv | Resumen de categorias de cobertura | Reportes ejecutivos, graficos resumen |
| yolombo_fragmentacion_metricas.csv | Metricas de fragmentacion del paisaje | Analisis de conectividad, diseño de corredores |
Puedes consultar el código y los datos en GitHub: https://github.com/tscobarr/analisis-cobertura-forestal-yolombo